{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1312813"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1312813","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μπεϋζιανή συμπερασματολογία για μοντέλα ανάλυσης επιβίωσης","abstract":"Στην ανάλυση δεδομένων επιβίωσης, η ετερογένεια μπορεί να είναι παρούσα με διάφορες μορφές. Σε πολλές περιπτώσεις, δεν μπορούμε να υποθέσουμε ότι οι χρόνοι μέχρι την εμφάνιση ενός γεγονότος είναι ανεξάρτητοι σε κάποιες ομάδες του πληθυσμού, αφού τα άτομα της ίδιας ομάδας μπορεί να μοιράζονται κοινά χαρακτηριστικά τα οποία δεν είναι παρατηρήσιμα. Επομένως, μπορούμε να χρησιμοποιήσουμε μοντέλα τυχαίων επιδράσεων (shared frailty models) για να μοντελοποιήσουμε ρητά τη συσχέτιση των ατόμων της ίδιας ομάδας. Στην παρούσα διπλωματική εργασία, εξετάσαμε μια επέκταση των μοντέλων αναλογικών κινδύνων, υπό την οπτική της Μπεϋζιανής στατιστικής, στην οποία η Weibull και η κατά τμήματα εκθετική κατανομή χρησιμοποιήθηκαν ως κατανομές για τη βασική συνάρτηση κινδύνου. Ως κατανομές για τους τυχαίους όρους χρησιμοποιήθηκαν οι κατανομές Gamma και Lognormal. Η στατιστική συμπερασματολογία εξάχθηκε μέσω μεθόδων Markov Chain Monte Carlo (MCMC). Η εφαρμογή των μεθόδων αξιολογήθηκε μέσω προσομοιωμένων δεδομένων και τα μοντέλα συγκρίθηκαν με το κρίτηριο DIC (Deviance Information Criterion). Επίσης, οι αλγόριθμοι MCMC εφαρμόστηκαν σε πραγματικά δεδομένα νεφροπαθών ασθενών.","abstract_html":"Στην ανάλυση δεδομένων επιβίωσης, η ετερογένεια μπορεί να είναι παρούσα με διάφορες μορφές. Σε πολλές περιπτώσεις, δεν μπορούμε να υποθέσουμε ότι οι χρόνοι μέχρι την εμφάνιση ενός γεγονότος είναι ανεξάρτητοι σε κάποιες ομάδες του πληθυσμού, αφού τα άτομα της ίδιας ομάδας μπορεί να μοιράζονται κοινά χαρακτηριστικά τα οποία δεν είναι παρατηρήσιμα. Επομένως, μπορούμε να χρησιμοποιήσουμε μοντέλα τυχαίων επιδράσεων (shared frailty models) για να μοντελοποιήσουμε ρητά τη συσχέτιση των ατόμων της ίδιας ομάδας. Στην παρούσα διπλωματική εργασία, εξετάσαμε μια επέκταση των μοντέλων αναλογικών κινδύνων, υπό την οπτική της Μπεϋζιανής στατιστικής, στην οποία η Weibull και η κατά τμήματα εκθετική κατανομή χρησιμοποιήθηκαν ως κατανομές για τη βασική συνάρτηση κινδύνου. Ως κατανομές για τους τυχαίους όρους χρησιμοποιήθηκαν οι κατανομές Gamma και Lognormal. Η στατιστική συμπερασματολογία εξάχθηκε μέσω μεθόδων Markov Chain Monte Carlo (MCMC). Η εφαρμογή των μεθόδων αξιολογήθηκε μέσω προσομοιωμένων δεδομένων και τα μοντέλα συγκρίθηκαν με το κρίτηριο DIC (Deviance Information Criterion). Επίσης, οι αλγόριθμοι MCMC εφαρμόστηκαν σε πραγματικά δεδομένα νεφροπαθών ασθενών.","abstract_has_math":false,"creators":["Θωμαδάκης Χρήστος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2015,"date_issued":"2015","date_published":"2015","updated_at":"2026-11-19T05:22:54Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1312813"],"render_values":[{"text":"uoadl:1312813","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1312813","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1312813","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1312813","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Θωμαδάκης Χρήστος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2015"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1312813","https://pergamos.lib.uoa.gr/uoa/dl/object/1312813"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην ανάλυση δεδομένων επιβίωσης, η ετερογένεια μπορεί να είναι παρούσα με διάφορες μορφές. Σε πολλές περιπτώσεις, δεν μπορούμε να υποθέσουμε ότι οι χρόνοι μέχρι την εμφάνιση ενός γεγονότος είναι ανεξάρτητοι σε κάποιες ομάδες του πληθυσμού, αφού τα άτομα της ίδιας ομάδας μπορεί να μοιράζονται κοινά χαρακτηριστικά τα οποία δεν είναι παρατηρήσιμα. Επομένως, μπορούμε να χρησιμοποιήσουμε μοντέλα τυχαίων επιδράσεων (shared frailty models) για να μοντελοποιήσουμε ρητά τη συσχέτιση των ατόμων της ίδιας ομάδας. Στην παρούσα διπλωματική εργασία, εξετάσαμε μια επέκταση των μοντέλων αναλογικών κινδύνων, υπό την οπτική της Μπεϋζιανής στατιστικής, στην οποία η Weibull και η κατά τμήματα εκθετική κατανομή χρησιμοποιήθηκαν ως κατανομές για τη βασική συνάρτηση κινδύνου. Ως κατανομές για τους τυχαίους όρους χρησιμοποιήθηκαν οι κατανομές Gamma και Lognormal. Η στατιστική συμπερασματολογία εξάχθηκε μέσω μεθόδων Markov Chain Monte Carlo (MCMC). Η εφαρμογή των μεθόδων αξιολογήθηκε μέσω προσομοιωμένων δεδομένων και τα μοντέλα συγκρίθηκαν με το κρίτηριο DIC (Deviance Information Criterion). Επίσης, οι αλγόριθμοι MCMC εφαρμόστηκαν σε πραγματικά δεδομένα νεφροπαθών ασθενών.","In the analysis of survival data, heterogeneity may be present in many situations. In many circumstances, we cannot assume that failure times for subjects of the same cluster are independent, since subjects of the same cluster share unobserved characteristics. Therefore, we could use shared frailty models to explicitly model the association of all members in the same cluster. This thesis considered an extension of proportional hazard models, from a Bayesian perspective, in which the Weibull and Piecewise exponential distributions were used as the distributions for the baseline hazard function. We also used the Gamma and Lognormal distributions as frailty distributions. Statistical inference was based on Markov Chain Monte Carlo (MCMC) methods. The performance of the methods was evaluated through simulation studies and the Deviance Information Criterion (DIC) was used to compare the fit of the models. The developed methods were also fitted to a real dataset of kidney patients."]},{"key":"dc:title","label":"Title","values":["Μπεϋζιανή συμπερασματολογία για μοντέλα ανάλυσης επιβίωσης"]}]}],"canonical_facts":{"dc:creator":["Θωμαδάκης Χρήστος"],"dc:date":["2015"],"dc:description":["Στην ανάλυση δεδομένων επιβίωσης, η ετερογένεια μπορεί να είναι παρούσα με διάφορες μορφές. Σε πολλές περιπτώσεις, δεν μπορούμε να υποθέσουμε ότι οι χρόνοι μέχρι την εμφάνιση ενός γεγονότος είναι ανεξάρτητοι σε κάποιες ομάδες του πληθυσμού, αφού τα άτομα της ίδιας ομάδας μπορεί να μοιράζονται κοινά χαρακτηριστικά τα οποία δεν είναι παρατηρήσιμα. Επομένως, μπορούμε να χρησιμοποιήσουμε μοντέλα τυχαίων επιδράσεων (shared frailty models) για να μοντελοποιήσουμε ρητά τη συσχέτιση των ατόμων της ίδιας ομάδας. Στην παρούσα διπλωματική εργασία, εξετάσαμε μια επέκταση των μοντέλων αναλογικών κινδύνων, υπό την οπτική της Μπεϋζιανής στατιστικής, στην οποία η Weibull και η κατά τμήματα εκθετική κατανομή χρησιμοποιήθηκαν ως κατανομές για τη βασική συνάρτηση κινδύνου. Ως κατανομές για τους τυχαίους όρους χρησιμοποιήθηκαν οι κατανομές Gamma και Lognormal. Η στατιστική συμπερασματολογία εξάχθηκε μέσω μεθόδων Markov Chain Monte Carlo (MCMC). Η εφαρμογή των μεθόδων αξιολογήθηκε μέσω προσομοιωμένων δεδομένων και τα μοντέλα συγκρίθηκαν με το κρίτηριο DIC (Deviance Information Criterion). Επίσης, οι αλγόριθμοι MCMC εφαρμόστηκαν σε πραγματικά δεδομένα νεφροπαθών ασθενών.","In the analysis of survival data, heterogeneity may be present in many situations. In many circumstances, we cannot assume that failure times for subjects of the same cluster are independent, since subjects of the same cluster share unobserved characteristics. Therefore, we could use shared frailty models to explicitly model the association of all members in the same cluster. This thesis considered an extension of proportional hazard models, from a Bayesian perspective, in which the Weibull and Piecewise exponential distributions were used as the distributions for the baseline hazard function. We also used the Gamma and Lognormal distributions as frailty distributions. Statistical inference was based on Markov Chain Monte Carlo (MCMC) methods. The performance of the methods was evaluated through simulation studies and the Deviance Information Criterion (DIC) was used to compare the fit of the models. The developed methods were also fitted to a real dataset of kidney patients."],"dc:identifier":["uoadl:1312813","https://pergamos.lib.uoa.gr/uoa/dl/object/1312813"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Μπεϋζιανή συμπερασματολογία για μοντέλα ανάλυσης επιβίωσης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:22:54Z"}